# Лабораторная работа 1. Работа с типовыми наборами данных и различными моделями
### Вариант № 7
Лабораторная работа 1. Работа с типовыми наборами данных и различными моделямиИспользуя   код   из   пункта   «Регуляризация   и   сеть   прямого распространения»из [1](стр. 228), сгенерируйте определенный тип данных и сравните  на  нем  3  модели  (по  варианту).    Постройте  графики,  отобразите качество моделей, объясните полученные результаты.

**Задание по варианту**  
**Данные**: make_moons (noise=0.3, random_state=rs) <br/>
**Модели**:-Персептрон · Многослойный персептрон с 10-ю нейронами в скрытом слое (alpha = 0.01) · Многослойный персептрон со 100-а нейронами в скрытом слое (alpha = 0.01) 


***
## *Как запустить лабораторную работу:*
Чтобы запустить программу, открываем файл laba1 в PyCharm и запускаем с помощью команды run
***
## *Использованные технологии:*
**Scikit-learn** - один из наиболее широко используемых пакетов Python для Data Science и Machine Learning. Он позволяет выполнять множество операций и предоставляет множество алгоритмов.

**Matplotlib** — это комплексная библиотека для создания статических, анимированных и интерактивных визуализаций на Python.

**NumPy** — это фундаментальный пакет для научных вычислений на Python.
***
## *Что делает программа:*
В данной работе генерируется определенный тип данных (при помощи генератора линейных задач make_moons). На данном типе данных проверяется работа трёх моделей.

**Результатом работы программы** являются: вывод показателей качества моделей (в консоли) и 3 изображения с графиками, на которых показаны сами данные, разбитые на два класса (тренировочные и тестовые).
***
## *Пример выходных данных:*
>Вывод в консоли:

<img src="result/console.png" />

>Получившиеся графики

<img src="result/result.png" />

***
**Вывод**: Для сгенерированного типа данных лучшей моделью оказалась модель многослойного персептрона со 100 нейронами (с точностью 0.91), а худшей модель персептона без скрытого слоя. Чем больше нейронов в скрытом слое - тем точнее результат.